MM-LLMs: Recent Advances in MultiModal Large Language Models

本文是LLM系列文章，针对《MM-LLMs: Recent Advances in MultiModal Large Language Models》的翻译。

摘要

在过去的一年里，多模态大型语言模型（MM-LLM）取得了长足的进步，通过具有成本效益的训练策略，增强了现成的LLM，以支持MM的输入或输出。由此产生的模型不仅保留了LLM固有的推理和决策能力，而且还赋予了各种MM任务权力。在本文中，我们提供了一个全面的调查，旨在促进MM LLM的进一步研究。最初，我们概述了模型架构和训练管道的一般设计公式。随后，我们介绍了一个包含122个MM LLM的分类法，每个LLM都有其特定的配方。此外，我们回顾了选定的MM LLM在主流基准上的表现，并总结了提高MM LLM效力的关键训练配方。最后，我们探索了MM LLM的有希望的方向，同时维护了一个实时跟踪网站以了解该领域的最新发展。我们希望这项调查有助于MM LLM领域的持续发展。

1 引言

2 模型架构

3 训练管道

4 SOTA MM-LLMs

5 基线和性能

6 未来方向

7 结论

在本文中，我们对MM LLM进行了全面的调查，重点介绍了最新进展。最初，我们将模型体系结构分为五个组成部分，提供了一般设计公式和训练管道的详细概述。随后，我们介绍了各种SOTA MM LLM，每种LLM都有其特定的配方。我们的调查还揭示了他们在不同MM基准方面的能力，并展望了这一快速发展领域的未来发展。我们希望这项